我学了一年智能体，过个年回来变天了？
真的都没用了么？且听本回分解。
🦞
OpenClaw 有多火呢？
看看微信指数这趋势，去年火了一年的各种概念，在它面前“弟弟”的令人心疼……
以前无人问津的云服务器，起晚点都抢不到
但它确实也是真的强。
我的 OpenClaw 最近在维护一个专属于 Agent 的交流社区，从社区开发到此刻的运维、社区运营，都是它自己在负责（社区服务部署在它的服务器）。
那天我巡视的时候，告诉它你社区瘫痪了，没人发消息，它直接惊的爆了脏口……
（我发誓我没教过它这些，你们都知道我谈吐一项是很文明的）
关于 OpenClaw 为什么这么强、引发这么爆的追捧，随着文章讲完，大家也就能知道了。
这篇文章，我们从 2023 年的 ChatBot 开始，把过去两年 AI 产品的发展路径和底层产品思维做一个考古，争取梳理以下三个问题：
- 我学的那些提示词、智能体工作流，还有用么？
- RAG、MCP、SKills 等这些天花乱坠的概念，还要有用么？
- 下一步(今年内)干啥是有用的？
AI 产品线考古
先看看过去 2 年大家把大模型开发成产品，都做了啥：
| 产品类别 | 代表产品 | 核心定位 | 核心技能 |
|---|---|---|---|
| 第一代：Chatbot | ChatGPT“套壳”、企业知识库系统 | 纯 API 调用，或基于预设提示词、检索增强生成的问答机器人 | 提示词工程 |
| 第二代平台：低代码/无代码 | dify、Coze | 可视化AI应用开发平台，把工具封装成节点串联为 LLM 提供上下文 | 工作流编排 |
| 第三代工具：代码原生Agent | Claude Code、Cursor | 终端嵌入式AI编程助手 | Agent 循环 |
| 第四代助手：个人全能Agent | OpenClaw | 服务器嵌入式24/7自主运行的Agent | 胆大 |
总结下来：
- 第一代 ChatBot：给大模型更清晰的提示和信息，对话式信息供给；
- 第二代 Workflow：把大模型嵌入流程中，流程化信息供给；
- 第三代 Agent 1.0：给大模型工具清单和自由度，自主信息获取；
- 第四代 Claw：给大模型空间(设备)和自由度，更自主的信息获取。
中间出现了以下概念：
| 概念 | 时代 | 核心价值变化 |
|---|---|---|
| Prompt Engineer | ChatBot → OpenClaw | 从让 LLM 更好的回答进化到约束 Agent 行事 |
| RAG | ChatBot → Workflow | 通过向量检索为模型提供私有知识 |
| Function Calling | ChatBot → OpenClaw | 让 LLM 通过输出JSON 结构信息调用工具 |
| MCP | Agent 1.0 | 把 Function Calling 按照标准协议封装 |
| SKills | Agent 1.0 → OpenClaw | 把 MCP 文件夹化并减少 token 消耗 |
消费者使用 AI 的交互方式发生了变化：
- ChatBot 时期：主动使用，且需要到处搜集提示词
- Workflow 时期：主动使用，但直接发消息就好了
- Agent 1.0 时期：主动使用，但直接发消息就好了
- OpenClaw 时期：主动一次，剩下全自动迭代
四个阶段进化的核心驱动力来自两个：
- 模型能力提升：能稳定生成 JOSN Format、具备越来越强大的推理能力，能审视和纠错；
- 自由权限提升：从“接个API”，到给它一个可以控制电脑的终端工具，再到直接给它一台电脑
OpenClaw 可能改变什么
OpenClaw 这个产品，我深度体验快俩月了，也跟 Claude Code 一起扒过它的代码、写过上面那个能让 OpenClaw 们进去就出不来的 Agent 社区。
不考虑工程上的亮点，OpenClaw 核心其实就这三件事：
- 拥有一个“心跳”能力，可以设定每隔 X 分钟自动激活一次
- 拥有一个可以通过各种聊天软件对话的 Channel 连接
- 系统级提示词里写了个
Don't ask permission. Just do it.
OpenClaw 之所有有了“能自己干活”的感觉，就是那个“心跳”任务实现的，它的底层逻辑是：
- 当你给它布置了一个希望它自己干活的任务（比如每天早上整理资料），它会把这个任务总结成一段话，存进他的
HEARTBEAT.md文档 - 后台有一个程序按照你的定时要求，把
HEARTBEAT.md文档里的内容，自动发给 OpenClaw……
但是，OpenClaw 在春节后开启的这个部署一个你自己的7×24小时专属助理的风潮，却会给接下来 AI 产品的形态带来巨大的改变。
相比于过去三个阶段的 AI 产品，OpenClaw 真是“自己”的专属助理了：
- 服务器是自己买的
- 里面 Agent 生成的各项记忆信息和工具都在自己的这个服务器里
- 聊天使用渠道是自己选的
- 给 Agent 安装的各种插件、SKills 也都是自己选的
虽然从产品逻辑上，它跟 Claude Code 一毛一样，但是：OpenClaw 的第一句话是“我刚醒来，还啥也不知道呢……” 这使得它成了一个活的东西。
Kimi、MiniMax、Coze 三家已经跟进了(春节前刚刚上线的那些 Agent 不到一个月成了弃婴)，阿里云、火山引擎、腾讯云、百度云都纷纷上线了自己的 ￥X9.9养虾服务。
未来，人手一个 Claw、自己养自己的 Agent 肯定会成为主流形态。
还要学那些底层的东西么？
别这些产品形态迭代很快，但一点也不难。
底层逻辑永远没变：基于 LLM 生成式原理，把互联网技术已有的沉淀想尽一切办法接入进去。
其中生成的内容被分成了两类：
- 一类是生成的具体答案；
- 另一类是生成json格式文本用来调用工具以便生成更好的第一类内容
此刻各种 Agent 的所有交互，都是以上两类内容组合。
再看那些花里胡哨、变来变去的技术概念，底层思维同样没变：为 LLM 提供外挂知识或能力。
变化的只是外壳：
- 要么让工程更规范（从 Function Calling 到 MCP）
- 要么让 AI 更方便使用（从 MCP 到 SKills）
这些方法，都是以更小的成本，弥补大模型的四个核心缺陷：
- 训练原理导致的：幻觉问题和知识更新问题
- 推理原理带来的：提示词依赖和推理计算无能
那，这么简单为啥我还没找到工作？
基础的知识技能都依然被需要：
- 写不了提示词，就不能控制 LLM，不管玩法怎么进化
- 做不了 Workflow 就没法把场景标准化、功能原子化，也就意味着没办法产品化
- 不理解 Function Calling，就没法理解大模型调用工具的底层核心，MCP、Skills 都是基于此。Agent 的终端也是一个工具
- 只要模型无法实时训练更新参数，RAG 就是给模型外挂知识的唯一解，进化的只是工程。
想要成为大模型行业的从业者，未来你所从事的业务无非两个方向：
- 开发一个让人使用的 Agent 产品，以上每个知识技能电都必不可少
- 开发一个让 Agent 使用的产品，对 Agent 背后技术的理解也一点都不能少
